Embassy-rs项目中STM32 ADC通道选择问题的技术分析
2025-06-01 03:41:38作者:幸俭卉
问题背景
在嵌入式开发中,模数转换器(ADC)是常用的外设之一,用于将模拟信号转换为数字信号。在embassy-rs项目中,针对STM32系列微控制器的ADC驱动实现存在一个潜在的问题,特别是在通道选择方面。
问题描述
在STM32 L0系列微控制器的ADC实现中,发现通道选择逻辑可能存在错误。具体表现为:
- 当使用PA4引脚作为ADC输入时,代码将通道号4直接写入寄存器
- 但根据STM32参考手册,ADC通道选择寄存器(CHSELR)需要的是位掩码形式,即1<<n,而不是直接的通道号
技术细节分析
ADC通道选择寄存器结构
STM32的ADC通道选择寄存器(CHSELR)是一个位掩码寄存器,每个位对应一个通道:
- 位0:通道0选择
- 位1:通道1选择
- ...
- 位18:通道18选择
要选择某个通道,需要将对应位置1,而不是写入通道号本身。
当前实现的问题
当前代码中,impl_adc_pin!宏定义如下:
macro_rules! impl_adc_pin {
($inst:ident, $pin:ident, $ch:expr) => {
impl crate::adc::AdcChannel<peripherals::$inst> for crate::peripherals::$pin {}
impl crate::adc::SealedAdcChannel<peripherals::$inst> for crate::peripherals::$pin {
#[cfg(any(adc_v1, adc_l0, adc_v2, adc_g4, adc_v4))]
fn setup(&mut self) {
<Self as crate::gpio::SealedPin>::set_as_analog(self);
}
fn channel(&self) -> u8 {
$ch
}
}
};
}
问题出在channel()方法直接返回了通道号,而没有转换为位掩码形式。
正确的实现方式
根据STM32 HAL头文件定义,正确的做法应该是返回1<<n的位掩码:
#define ADC_CHSELR_CHSEL4_Pos (4U)
#define ADC_CHSELR_CHSEL4_Msk (0x1UL << ADC_CHSELR_CHSEL4_Pos) /*!< 0x00000010 */
#define ADC_CHSELR_CHSEL4 ADC_CHSELR_CHSEL4_Msk /*!< Channel 4 selection */
因此,Rust实现应该修改为:
fn channel(&self) -> u8 {
1 << $ch
}
底层寄存器访问分析
在embassy-rs的寄存器访问层,set_chselx方法的实现是正确的:
pub fn set_chselx(&mut self, n: usize, val: bool) {
assert!(n < 19usize);
let offs = 0usize + n * 1usize;
self.0 = (self.0 & !(0x01 << offs)) | (((val as u32) & 0x01) << offs);
}
这个方法已经正确处理了位操作,只需要传入正确的通道号即可。问题在于上层提供的通道号格式不正确。
影响范围
这个问题可能影响以下STM32系列:
- ADCv1版本
- ADCv2版本
- ADCv4版本
- STM32L0系列
- STM32G4系列
解决方案建议
- 修改
impl_adc_pin!宏,使其返回位掩码而非直接通道号 - 或者修改
read方法,在写入寄存器前将通道号转换为位掩码 - 更新相关文档,明确通道选择的使用方式
总结
在嵌入式开发中,对硬件寄存器的精确操作至关重要。STM32的ADC通道选择需要特别注意寄存器格式要求。这个问题提醒我们在开发硬件抽象层时,必须仔细对照芯片参考手册,确保寄存器访问的正确性。同时,良好的文档和注释也能帮助开发者避免类似的错误。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
194
212
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
650
271
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
296
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.7 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
633
143